#?=============神經(jīng)網(wǎng)絡(luò)用于分類=============
from?sklearn.neural_network?import?MLPClassifier
import?csv
from?sklearn.preprocessing?import?StandardScaler
from?sklearn.model_selection?import?train_test_split
from?sklearn.metrics?import?accuracy_score
from?sklearn.metrics?import?confusion_matrix
from?sklearn.metrics?import?classification_report

data=[]
traffic_feature=[]
traffic_target=[]
csv_file?=?csv.reader（open（‘data.csv‘））
for?content?in?csv_file:
????content=list（map（floatcontent））
????if?len（content）!=0:
????????data.append（content）
????????traffic_feature.append（content[0:6]）
????????traffic_target.append（content[-1]）
#print（‘data=‘data）
#print（‘traffic_feature=‘traffic_feature）
#print（‘traffic_target=‘traffic_target）
scaler?=?StandardScaler（）?#?標(biāo)準(zhǔn)化轉(zhuǎn)換
scaler.fit（traffic_feature）??#?訓(xùn)練標(biāo)準(zhǔn)化對(duì)象
traffic_feature=?scaler.transform（traffic_feature）???#?轉(zhuǎn)換數(shù)據(jù)集
feature_train?feature_test?target_train?target_test?=?train_test_split（traffic_feature?traffic_target?test_size=0.3random_state=0）
#?神經(jīng)網(wǎng)絡(luò)輸入為2，第一隱藏層神經(jīng)元個(gè)數(shù)為5，第二隱藏層神經(jīng)元個(gè)數(shù)為2，輸出結(jié)果為2分類。
#?solver=‘lbfgs‘??MLP的求解方法：L-BFGS?在小數(shù)據(jù)上表現(xiàn)較好，Adam?較為魯棒，
#?SGD在參數(shù)調(diào)整較優(yōu)時(shí)會(huì)有最佳表現(xiàn)（分類效果與迭代次數(shù)）SGD標(biāo)識(shí)隨機(jī)梯度下降。
clf?=??MLPClassifier（solver=‘lbfgs‘?alpha=1e-5hidden_layer_sizes=（3020）?random_state=1）#分類函數(shù)
clf.fit（feature_traintarget_train）
predict_results=clf.predict（feature_test）
print（accuracy_score（predict_results?target_test））
conf_mat?=?confusion_matrix（target_test?predict_results）
print（conf_matpredict_results）
print（classification_report（target_test?predict_results））

?屬性????????????大小?????日期????時(shí)間???名稱
-----------?---------??----------?-----??----
?????文件????????1809??2020-11-22?19:17??神經(jīng)網(wǎng)絡(luò)用于分類.py
?????文件?????????648??2020-11-13?13:58??data.csv